Data Science e Machine Learning (M.Sc.)

Teoria: Apprendimento statistico, modellazione probabilistica, ottimizzazione e generalizzazione.

Pratica: Apprendimento approfondito (visione/serie temporali), applicazioni di dati geospaziali o bio/medici, ingegneria delle caratteristiche e valutazione oltre l'accuratezza (calibrazione, equità).

Ingegneria: Riproducibilità, dati/modelli con versioni, MLOps di base e monitoraggio degli esperimenti.

Lavoro interdisciplinare: Progetti con laboratori di dominio (ad esempio, ambientale, biomedico) utilizzando set di dati e vincoli reali.

Etica e sicurezza: Gestione di pregiudizi, privacy e rischi del modello; rendicontazione trasparente.

Tesi di laurea/capstone: Progetto pubblicabile o pronto per la produzione con codice, documentazione e analisi degli errori.

Risultati: Ruoli di scienziato applicato/DS, assistenti di ricerca, pipeline di dottorato.