Claudio
Sartori


Sartori
Italia Professore ordinario di Machine Learning and Informatics Università di Bologna Core Faculty
Contatto Email

Claudio Sartori è Professore di Machine Learning and Informatics. Consulente BBS per attività nell’area Data Science. Laurea in Ingegneria Elettronica (titolo ottenuto nel 1981). Visiting professor presso l’Università Tecnica Federigo Santa Maria, Valparaiso, Cile. Responsabile dell’Osservatorio sull’Innovazione Tecnologica per il Progetto EULA-GTEC Erasmus +, il cui obiettivo è la progettazione e il lancio di un Osservatorio o Antenna che permetta di percepire i problemi di formazione tra i manager (per migliorare l’offerta formativa) e di identificare le richieste delle PMI, che non sono chiaramente rivelate per migliorare l’identificazione della domanda. L’Osservatorio contribuirà anche all’employability dei laureati creando collegamenti con il mercato del lavoro delle PMI. Cooperazione di ricerca congiunta con: Dipartimento di Informatica, Università Tecnica Federico Santa Maria (UTFSM), Valparaiso, Cile. Universitè de Nice – Sopia Antipolis, Nizza, Francia

CORSI

I moderni processi produttivi sono sempre più digitalizzati, come testimonia il generale interesse per i nuovi modelli operativi noti come “Industry 4.0”. Obiettivo di questo modulo è utilizzare le competenze acquisite negli altri moduli, in particolare quelli di “Data analysis”, “Data Mining” e “Operation Analytics”, per trattare i dati di “Manufacturing” ed estrarre informazioni utili per incrementare l’efficacia dei processi produttivi.

Introduzione ai principi di base e ai metodi di Data Mining e Machine Learning, con particolare riferimento a Classificazione, Clustering, Regole di Associazione. Analisi dei principali problemi relativi alla qualità e alla trasformazione dei dati. Utilizzo di software open source per risolvere problemi di data mining e machine learning, con specifico riferimento a dataset legati all’ambiente e alla sostenibilità.

 

Sustainability Transition Management

Modelli e metodologie per l’estrazione di conoscenza da basi di dati. Studio delle tipologie di dati e dei metodi di pre-trattamento. 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. Laboratorio di data mining per l’applicazione dei metodi studiati.

Data Science and Business Analytics
Digital Technology and Innovation Management
Finance and Fintech
  • Machine Learning and Deep Learning in the IoT
  • The impact of Data Science
  • Analytics for IoT
Data Science and Business Analytics