Studiare
In questa sezione è possibile reperire le informazioni riguardanti l'organizzazione pratica del corso, lo svolgimento delle attività didattiche, le opportunità formative e i contatti utili durante tutto il percorso di studi, fino al conseguimento del titolo finale.
Piano Didattico
Il piano didattico è l'elenco degli insegnamenti e delle altre attività formative che devono essere sostenute nel corso della propria carriera universitaria.
Selezionare il piano didattico in base all'anno accademico di iscrizione.
1° Anno
| Insegnamenti | Crediti | TAF | SSD |
|---|
2° Anno Sarà attivato nell'A.A. 2025/2026
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
| Insegnamenti | Crediti | TAF | SSD |
|---|
1 module among the following2 modules among the following1 module among the following
- A.A. 2024/2025 Complex systems and social physics - Network science and econophysics - Statistical methods for business intelligence not activated
- A.A. 2025/26 Network science and econophysics not activated1 module among the following2 modules among the followingLegenda | Tipo Attività Formativa (TAF)
TAF (Tipologia Attività Formativa) Tutti gli insegnamenti e le attività sono classificate in diversi tipi di attività formativa, indicati da una lettera.
Big data epistemology (2024/2025)
Codice insegnamento
4S009088
Docente
Coordinatore
Crediti
6
Offerto anche nei corsi:
- Big data epistemology del corso Laurea magistrale in Data Science (LM-91)
Lingua di erogazione
Inglese
Settore Scientifico Disciplinare (SSD)
M-FIL/02 - LOGICA E FILOSOFIA DELLA SCIENZA
Periodo
II semestre dal 3 mar 2025 al 13 giu 2025.
Corsi Singoli
Autorizzato
Obiettivi di apprendimento
Il corso consentirà allo studente di acquisire le competenze concettuali necessarie ad applicare i concetti chiave dell’epistemologia (conoscenza, metodologia, giustificazione, spiegazione, etc.) al caso specifico della data science e alla discussione di conseguenze e implicazioni dei big data per la società in generale. Al termine del corso lo studente dovrà dimostrare di: - riconoscere e discutere le principali questioni epistemologiche relative alla conoscenza prodotta dalla raccolta e dalla manipolazione dei big data con particolare riferimento a tre aree tematiche: (1) specificità epistemologiche dei big data; (2) l’impatto dei big data sulla pratica scientifica; (3) Big Data e autorità culturale della scienza - aver acquisito, attraverso l’analisi dettagliata di situazioni della vita reale, gli strumenti per un approccio più consapevole e critico al proprio lavoro come pure per la gestione e disseminazione dei big data nella sfera pubblica.
Prerequisiti e nozioni di base
Conoscenze base di filosofia e capacità di pensiero critico.
Programma
Il corso è dedicato ad esplorare le questioni epistemologiche, sociali e politiche connesse all'uso di big data, machine learning e intelligenza artificiale. Il programma è suddiviso in due moduli principale:
(A) Produrre conoscenza nell'era digitale. Questo modulo tratta delle domande epistemologiche sollevate dall'uso di machine learning e big data nella produzione di conoscenza scientifica. Esempi di tali domande sono: In che modo i big data cambiano le nostre pratiche e i nostri metodi scientifici? Quali sono i limiti dell'approccio computazionale alla scienza? I big data rendono superflue le teorie? Quali sono le caratteristiche epistemologiche dell'apprendimento statistico? La struttura del modulo è la seguente:
(A.1) Introduzione all'epistemologia della computabilità: complessità e indecidibilità.
(A.2) Il concetti di dato, probabilità e informazione.
(A.3) Dall’inferenza statistical al machine learning e i big data.
(B) Socio-epistemologia dei big data. Il secondo modulo si occupa dell'impatto socio-epistemologico e politico del machine learning e dei big data sulla pratica scientifica e sulla società in generale. Esempi delle questioni che verranno affrontate in questo modulo sono: Qual è l'impatto dell'uso dei big data sulla struttura sociale della ricerca scientifica? Come si può rendere l'intelligenza artificiale più spiegabile e responsabile? Come gli ambienti digitali quali i social network vengono influenzati dal machine learning? La struttura del modulo è la seguente:
(B.1) Ricerca scientifica e Big data.
(B.2) Intelligenza artificiale spiegabile.
(B.3) Verità e post-verità negli ambienti digitali.
Modalità didattiche
Le lezioni saranno tenute in presenza e con registrazione.
Modalità di verifica dell'apprendimento
Il corso combinerà lezioni frontali introduttive e discussioni di classe. La valutazione finale è il risultato di due elementi:
(1) Un elaborato scritto (max 3000 parole) (40%)
(2) Esame orale (60%)
Criteri di valutazione
La valutazione finale è il risultato di due elementi:
(1) Un elaborato scritto (max 3000 parole) (40%)
(2) Esame orale (60%)
Criteri di composizione del voto finale
La valutazione finale è il risultato di due elementi:
(1) Un elaborato scritto (max 3000 parole) (40%)
(2) Esame orale (60%)
Lingua dell'esame
English
