Un corso che insegna ad applicare Python e il machine learning per migliorare i processi aziendali, prevedere trend di mercato e supportare decisioni data-driven.
OBIETTIVI
Il corso ha l’obiettivo di sviluppare competenze nell’ambito dell’analisi dei dati e del machine learning, strumenti chiave per la comprensione e l’ottimizzazione dei processi aziendali.
In un contesto sempre più digitalizzato, in cui le aziende dispongono di enormi quantità di dati, l’adozione di tecniche di data analysis e apprendimento automatico è fondamentale per ottenere un vantaggio competitivo. Questi strumenti permettono di individuare pattern nascosti, prevedere trend di mercato e ottimizzare i processi, con impatti diretti su efficienza operativa e riduzione dei costi.
L’impiego del machine learning consente di:
- migliorare prodotti e processi produttivi,
- analizzare fornitori, clienti e mercati,
- ottimizzare la gestione del rischio,
- sviluppare strategie basate su dati concreti.
Il machine learning si è dimostrato efficace in numerosi settori: industria manifatturiera, finanza, sanità, retail e logistica.
Formarsi in questi ambiti significa dotarsi di strumenti strategici per prendere decisioni data-driven, innovare e aumentare la competitività aziendale.
COMPETENZE IN USCITA
Al termine del corso, i partecipanti saranno in grado di:
- Utilizzare Python per l’analisi dei dati aziendali: creare script per la manipolazione, pulizia e analisi di dataset legati a produzione, qualità, acquisti, logistica e R&D.
- Interpretare i dati per supportare le decisioni aziendali: realizzare dashboard e report visivi utili ai manager per individuare pattern e trend.
- Applicare il machine learning all’ottimizzazione dei processi: costruire, validare e ottimizzare modelli predittivi.
- Analizzare dati di mercato e customer analytics: utilizzare modelli di regressione per stimare la domanda, le vendite e il comportamento del cliente.
- Migliorare le performance dei modelli attraverso tecniche di feature engineering: selezionare e trasformare variabili per applicazioni come manutenzione predittiva e previsione della produzione.
- Implementare reti neurali per automazione e controllo qualità: applicare il deep learning al riconoscimento di difetti nei prodotti e ad attività automatizzate.
- Analizzare serie temporali per il forecasting aziendale: impiegare tecniche avanzate per pianificazione produttiva, gestione scorte e ottimizzazione logistica.
DESTINATARI
Il corso è rivolto a:
Imprenditori, direttori e manager, responsabili di funzione, e addetti alle aree Produzione, Qualità, Acquisti, Logistica, Progettazione, Ricerca & Sviluppo, e data analyst.
DURATA E MODALITÀ
Durata totale: 63 ore
- 36 ore in presenza
- 27 ore online
Orari delle lezioni in presenza:
- Modulo da 8 ore: 8:30–12:30 / 13:30–17:30
- Modulo da 7+4 ore: 8:30–12:30 / 13:30–16:30
Una settimana di sospensione per lo svolgimento autonomo di esercitazioni pratiche.
Sessioni online (13:30–17:30) per correzione esercizi, condivisione esperienze e approfondimenti.
VERIFICA FINALE
Ogni partecipante svilupperà un project work aziendale su un caso reale, scelto in accordo con i docenti. Il progetto dovrà dimostrare l’applicazione pratica delle competenze acquisite.
Esame finale (durata: 1 ora, online):
Discussione del project work
Domande orali di verifica
La sessione d’esame sarà calendarizzata individualmente, a partire da 3 settimane dopo la fine del corso.
CALENDARIZZAZIONE E PARTECIPANTI
Nel caso di corso multi-aziendale: calendarizzazione del corso emessa da CSMT.
Nel caso di corso mono-aziendale è possibile definire calendario personalizzato secondo le esigenze del committente.
Numero partecipanti:
DATE PREVISTE PER IL CORSO MULTI-AZIENDALE:
02/10 - 09/10 - 23/10 - 30/10 - 13/11 - 20/11 - 04/12 - 15/01 - 29/01 - 05/02 - 19/02
REQUISITI DI ACCESSO
- Diploma tecnico di scuola superiore con conoscenze di statistica di base (requisito minimo)
- Preferibile laurea scientifica
- Buona padronanza di Excel o conoscenze base di linguaggi di programmazione
- Esperienza pregressa nell’analisi dati
- Almeno 3 anni di esperienza aziendale (consigliato)
Dotazioni tecniche richieste:
- PC personale con almeno 4 GB di RAM e processore quad-core
- Installazione di JupyterLab (https://jupyter.org). La segreteria fornirà un tutorial pre-corso
CORPO DOCENTI
L'Ing. Alessandro Pepi è un ingegnere elettronico con una solida esperienza nell'analisi dei dati, ottimizzazione dei processi e machine learning. Si occupa da più di 25 anni di formazione e consulenza negli ambiti del controllo statistico di processo, progettazione di esperimenti industriali (DoE), strumenti di analisi dei dati per il settore automotive, organizzazione e ottimizzazione della produzione industriale.
COSTI
- Primo iscritto 2.900 €
- Secondo iscritto 2.450 €
- Terzo e successivi 2.000 €
PROGRAMMA DIDATTICO
Fondamenti di Python per il business
- Introduzione a Python e principali librerie (pandas, matplotlib, seaborn)
- Analisi dataset e creazione di dashboard interattive
- Esercitazioni individuali e di gruppo
Modelli di regressione per l’ottimizzazione
- Regressione lineare e Random Forest
- Valutazione modelli (RMSE, MAE, R²)
- Overfitting e underfitting
- Esercitazioni pratiche
Ottimizzazione modelli e simulazione
- Cross-validation e tuning degli iperparametri
- Regressione polinomiale avanzata
Feature Engineering avanzato
- Creazione e trasformazione delle variabili
- Gestione dati mancanti, PCA, normalizzazione
Deep Learning per automazione e qualità
- Reti neurali artificiali con TensorFlow/Keras
- Addestramento su dati strutturati
Analisi serie temporali
- ARIMA, SARIMA, RNN
- Previsioni per logistica e produzione
Project work e valutazione finale (online)
- Presentazione e discussione del caso aziendale
- Verifica orale
