EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:
Il corso si propone di fornire le competenze informatiche metodologiche (con l'utilizzo di applicativi e linguaggi di programmazione quali Excel, VBA, python ecc.) per l'analisi di dati su larga scala provenienti da una molteplicità di fonti, quali banche dati economiche, eventi storici, testi, social media, sensori, immagini o discorsi allo scopo di prendere decisioni in una serie di contesti, tra cui politiche economiche, amministrazione aziendale, pubblica amministrazione, sanità, istruzione, diritto, occupazione, trasporti e previsioni economiche. Gli studenti saranno in grado di
1) elaborare e pulire grandi database grezzi (rilevamento e correzione di errori di battitura, voci mancanti, interpolazione, dati errati e così via);
1) comprendere la struttura di una banca dati elaborata, le sue principali caratteristiche e per quali finalità può essere utilizzata;
2) effettuare rigorose inferenze statistiche su grandi database elaborati tramite algoritmi informatici;
3) produrre scenari previsionali per le variabili di interesse desunti dal database in analisi;
4) valutare gli impatti, sul sistema in esame, nel breve e nel lungo periodo di politiche standardizzate;
5) risolvere problemi di ottimizzazione vincolata lineare e non lineare relativi all'amministrazione aziendale e alla allocazione ottimale delle risorse;
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Gli studenti apprenderanno le metodologie che il corso si propone di insegnare attraverso esercitazioni pratiche ed esempi con un approccio ispirato al "learning by doing" e al "trial and error".
Non sarà richiesta la memorizzazione di codici o procedure particolari, gli studenti dovranno sviluppare capacità autonome di problem solving che possano aiutarli nei processi decisionali supportati dall'analisi dei dati.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Attraverso la conoscenza e la comprensione acquisite lo studente deve essere in grado di sviluppare abilità/capacità per:
1) capire che tipo di strumento informatico è necessario per l'analisi di un database a seconda dello stesso;
2) comprendere la struttura di un database, quali tipologie di errori possono essere presenti, come correggerli e/o valutarne l'impatto in base a specifiche esigenze;
3) pianificare autonomamente una strategia decisionale supportata dai dati;
AUTONOMIA DI GIUDIZIO:
Sviluppare riflessioni autonome su varie questioni relative alle strategie decisionali supportate dall'analisi dei dati. Avere la capacità di integrare diverse competenze e linguaggi di programmazione per gestire set di dati complessi e incompleti, nonché per prendere decisioni validate statisticamente sulla base di informazioni limitate o incomplete. L'approccio del corso cerca di collegare argomenti economici e commerciali all'analisi dei dati per promuovere le capacità di risoluzione di problemi. Lo studente deve quindi essere in grado di scegliere gli approcci e gli strumenti necessari al processo decisionale supportati dall'analisi dei dati con la capacità di raccogliere e interpretare i dati, nonché di utilizzare le fonti informative e i corretti applicativi informatici.
ABILITÀ COMUNICATIVE:
Gli studenti devono essere in grado di evidenziare il flusso di informazioni nella descrizione di un processo decisionale e apprendere, nello specifico, come utilizzare VBA, Excel e il suo risolutore.
CAPACITÀ DI APPRENDIMENTO:
- interpretare diversi tipi di basi di dati relativi a business, economia, società, innovazione, eventi storici e media.
- eseguire analisi statistiche di grandi basi di dati tramite Excel, VBA, python;
- tradurre un processo decisionale aziendale o politico in un problema di ottimizzazione vincolata ed essere in grado di implementare la corrispondente procedura risolutiva.
Learning Objectives
LEARNING OUTCOMES:
The course aims to provide the methodological computer skills (with the use of applications and programming languages such as Excel, VBA, python etc.) for the analysis of large-scale data from a range of sources, such as economic databases, historical events, text, social media, sensors, images or speech with the purpose of making decisions in a range of contexts, including economic policies, business administration, public administration, health, education, law, employment, transport and economic forecasts. Students will be able
1) to process and clean raw large databases (detection and correction of typos, missing entries, interpolation, misspecified data and so on);
1) to understand the structure of a processed database, its main features and for what purposes it can be used;
2) to make rigorous statistical inferences on large processed databases via computer algoritghms;
3) to produce forecast scenarios for the variables of interest derived from the database under analysis;
4) to assess the short and long run impacts of standardized policies on the system under study;
5) to solve linear and non-linear constrained optimization problems related to business administration;
KNOWLEDGE AND UNDERSTANDING:
Students will learn the methodologies that the course aims to teach through practical exercises and examples with an approach inspired by learning by doing and trial and error.
The memorization of codes or particular procedures will not be required, students will have to develop autonomous problem solving skills that can help them in decision making processes supported by data analytics.
APPLYING KNOWLEDGE AND UNDERSTANDING:
Through the knowledge and understanding acquired the student must be able to develop skills / abilities for:
1) understanding what type of IT tool is necessary for the analysis of a database according to the same;
2) understanding the structure of a database, what types of errors may be present, how to correct them and/or evaluate their impact based on specific needs;
3) planning autonomously a data-supported decision-making strategy;
MAKING JUDGEMENTS:
Develop autonomous reflections on various issues related to decision making strategies supported by data analytics. Have the ability to integrate different programming skills and languages to manage complex and incomplete dataset, as well as to make statistically validated decision based on limited or incomplete information. The course approach seeks to link economic and business topics to data analytics to promote attitude towards problem-solving. The student must therefore be able to choose the approaches and tools necessary for decison making supported by data analytics with the ability to collect and interpret data, as well as to use information sources.
COMMUNICATION SKILLS:
Students must be able to highlight the flow of information in the description of a decision making process and learn, specifically, how to use VBA, Excel and its solver.
LEARNING SKILLS:
- to interpret different types of large dataset related to business, economics, society, innovation, historical events and media.
- to peform statistical anayses of large dataset through Excel, VBA, python;
- to translate a business or political decision-making process into a constrained optimization problem and being able to implement the corresponding solution procedure.
Prerequisiti
Basi di statistica elementare (probabilità, probabilità condizionata, valori attesi, medie e
varianze campionarie, distribuzioni di probabilità).
Serie geometriche.
Basi di ottimizzazione in una o più variabili. Uso elementare di Excel.
I prerequisiti sono i medesimi per gli studenti frequentanti e non-frequentanti.
Prerequisites
Fundamentals of elementary statistics (probability, conditional probability, expected values,
sample means and variances, probability distributions).
Geometric series.
Fundamentals of optimization in one or more variables. Basic Excel.
The prerequisites are the same for both attending and non-attending students.
Programma
Non sono previste differenze di programma tra studenti frequentanti e non-frequentanti.
Il corso è diviso in quattro aree tematiche, articolate su 18 lezioni frontali di due ore
ciascuna. Le aree tematiche sono denominate e temporalmente articolate come segue:
1) Tabelle Pivot e analisi statistiche di dataset (prime 3 lezioni). Gli argomenti trattati in
questo modulo saranno: funzioni principali di Excel ed utilizzo; creazione di tabelle Pivot;
analisi statistica di basi di dati tramite tabelle Pivot.
2) Linguaggio VBA e applicazioni (lezioni dalla quarta alla sesta). Gli argomenti trattati in
questo modulo saranno: introduzione al linguaggio VBA; creazione di routines; principali
comandi e applicazioni per l'eleborazione di dati di basi; simulazione di scenari decisionali.
3) Solver e ottimizzazione delle decisioni (lezioni dalla settima alla quindicesima). Gli
argomenti trattati in questo modulo saranno: problemi decisionali in contesti di risorse scarse
e vincolate; funzionamento generale di Excel Solver e sue applicazioni a problemi
decisionali con variabili continue, discrete e binarie e a problemi di trasporto ottimo su
network.
4) Modellizzazione e previsione finanziaria tramite Excel (ultime tre lezioni). Gli argomenti
trattati in questo modulo saranno: flussi di cassa, Net Present Value, Internal Rate of Return
e valutazione di convenienza finanziaria di un progetto (funzioni NPV e IRR in Excel).
Creazione di prototipi di balance sheet e income statement. Analisi di "pro-forma financial
statements" e utilizzio della strumento "What-If Analysis" di Excel.
Program
There are no content differences in the programs between attending and non-attending
students.
The course is divided into four thematic areas, spread over 18 classroom-based lectures,
each lasting two hours. The thematic areas are named and scheduled as follows:
1) Pivot Tables and Statistical Analysis of Datasets (first 3 lectures). The topics covered in
this module will be: main functions of Excel and their use; creation of Pivot Tables; statistical
analysis of databases using Pivot Tables.
2) VBA Language and Applications (lectures 4 to 6). The topics covered in this module will
be: introduction to VBA language; creation of routines; main commands and applications for
database processing; simulation of decision-making scenarios.
3) Solver and Decision Optimization (lectures 7 to 15). The topics covered in this module will
be: decision-making problems in contexts of scarce and constrained resources; general
functioning of Excel Solver and its applications to decision-making problems with
continuous, discrete, and binary variables, and to optimal transport problems on networks.
4) Financial Modeling and Forecasting using Excel (last 3 lectures). The topics covered in
this module will be: cash flows, Net Present Value (NPV), Internal Rate of Return (IRR), and
financial feasibility assessment of a project (NPV and IRR functions in Excel). Creation of
balance sheet and income statement prototypes. Analysis of "pro-forma financial
statements" and use of Excel's "What-If Analysis" tool.
Testi Adottati
Financial Modeling, 3rd edition, Simon Benninga, 2008.
Microsoft Excel VBA and Macros (Office 2021 and Microsoft 365), Bill Jelen and Tracy
Syrstad, Pearson Education (US), 2022.
Using Excel for Business and Financial Modelling: A Practical Guide.
Danielle Stein Fairhurst, John Wiley & Sons Inc, 2019.
Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Business Analytics.
Cliff Ragsdale, South-Western College Pub, 2017.
Books
Financial Modeling, 3rd edition, Simon Benninga, 2008.
Microsoft Excel VBA and Macros (Office 2021 and Microsoft 365), Bill Jelen and Tracy
Syrstad, Pearson Education (US), 2022.
Using Excel for Business and Financial Modelling: A Practical Guide.
Danielle Stein Fairhurst, John Wiley & Sons Inc, 2019.
Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Business Analytics.
Cliff Ragsdale, South-Western College Pub, 2017.
Bibliografia
Financial Modeling, 3rd edition, Simon Benninga, 2008.
Microsoft Excel VBA and Macros (Office 2021 and Microsoft 365), Bill Jelen and Tracy
Syrstad, Pearson Education (US), 2022.
Using Excel for Business and Financial Modelling: A Practical Guide.
Danielle Stein Fairhurst, John Wiley & Sons Inc, 2019.
Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Business Analytics.
Cliff Ragsdale, South-Western College Pub, 2017.
Bibliography
Financial Modeling, 3rd edition, Simon Benninga, 2008.
Microsoft Excel VBA and Macros (Office 2021 and Microsoft 365), Bill Jelen and Tracy
Syrstad, Pearson Education (US), 2022.
Using Excel for Business and Financial Modelling: A Practical Guide.
Danielle Stein Fairhurst, John Wiley & Sons Inc, 2019.
Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Business Analytics.
Cliff Ragsdale, South-Western College Pub, 2017.
Modalità di svolgimento
Le lezioni si svolgeranno in presenza. La didattica è di tipo frontale ed integrata con l'uso
costante di applicativi informatici e della piattaforma moodle per esercitazioni e verifiche
intermedie. I metodo didattico adottato si basa sull'apprendimento tramite esempi e problemi
concreti.
Teaching methods
Lecture will take place face-to-face. The teaching is frontal and integrated with the constant
use of computer applications and the moodle platform for exercises and intermediate
checks. The teaching method adopted is based on learning through concrete examples and
problems.
Regolamento Esame
L'esame consiste in una verifica tramite pc tramite l'uso della piattaforma moodle. Non sono
previsti esoneri, prove intermedie o qualsiasi altra valutazione prima dell'esame effettivo.
Le domande riguarderanno specifiche analisi che lo studente dovrà effettuare su basi di dati
forniti al momento dell'esame.
L'esame sarà in formato di libro aperto e si potrà accedere a tutti codici e le routine discusse
a lezione.
Gli studenti che rinunciano o non superano l'esame possono sostenere nuovamente l'esame
nello stesso appello.
In caso il docente lo richieda, lo studente viene convocato per una intervista che si basa su
qualsiasi argomento trattato a lezione.
Le modalità e i criteri di verifica dell'apprendimento sono gli stessi per studenti frequentanti e
non-frequentanti.
Il voto finale è espresso in trentesimi secondo il seguente schema:
Non idoneo: importanti carenze e/o inaccuratezze nella conoscenza e comprensione degli
argomenti; limitate capacità di analisi e sintesi, frequenti generalizzazioni.
18-20: conoscenza e comprensione degli argomenti appena sufficiente con possibili
imperfezioni; capacità di analisi sintesi e autonomia di giudizio sufficienti.
21-23: Conoscenza e comprensione degli argomenti routinaria; Capacità di analisi e sintesi
corrette con argomentazione logica coerente.
24-26: Discreta conoscenza e comprensione degli argomenti; buone capacità di analisi e
sintesi con argomentazioni espresse in modo rigoroso.
27-29: Conoscenza e comprensione degli argomenti completa; notevoli capacità di analisi,
sintesi. Buona autonomia di giudizio.
30-30L: Ottimo livello di conoscenza e comprensione degli argomenti. Notevoli capacità di
analisi e di sintesi e di autonomia di giudizio. Soluzioni dei problemi ottenute in modo
originale.
Exam Rules
The exam consists of a computer-based test using the Moodle platform. No exemptions,
intermediate tests, or any other evaluations are provided before the actual exam.
The questions will involve specific analyses that the student must perform on datasets
provided at the time of the exam.
The exam will be open-book, and students will have access to all codes and routines
discussed in class.
Students who withdraw or do not pass the exam may retake it in the same session.
If required by the instructor, the student may be called for an interview based on any topic
covered in class.
The methods and criteria for assessing learning are the same for both attending and
non-attending students.
The final grade is expressed on a scale of thirty according to the following scheme.
Not suitable: significant deficiencies and/or inaccuracies in knowledge and understanding of
the topics; limited analysis and synthesis skills.
18-20: barely sufficient knowledge and understanding of the topics with possible
imperfections; sufficient analysis, synthesis, and judgment skills.
21-23: routine knowledge and understanding of the topics; correct analysis and synthesis
skills with consistent logical argumentation.
24-26: fair knowledge and understanding of the topics; good analysis and synthesis skills
with rigorously expressed arguments.
27-29: complete knowledge and understanding of the topics; notable analysis and synthesis
skills. Good judgment autonomy.
30-30L: excellent level of knowledge and understanding of the topics. Remarkable analysis
and synthesis skills and judgment autonomy. Solutions to problems obtained in an original
way.
EN
IT
Obiettivi Formativi
OBIETTIVI FORMATIVI:
Il corso si propone di fornire le competenze informatiche metodologiche (con l'utilizzo di applicativi e linguaggi di programmazione quali Excel, VBA, python ecc.) per l'analisi di dati su larga scala provenienti da una molteplicità di fonti, quali banche dati economiche, eventi storici, testi, social media, sensori, immagini o discorsi allo scopo di prendere decisioni in una serie di contesti, tra cui politiche economiche, amministrazione aziendale, pubblica amministrazione, sanità, istruzione, diritto, occupazione, trasporti e previsioni economiche. Gli studenti saranno in grado di
1) elaborare e pulire grandi database grezzi (rilevamento e correzione di errori di battitura, voci mancanti, interpolazione, dati errati e così via);
1) comprendere la struttura di una banca dati elaborata, le sue principali caratteristiche e per quali finalità può essere utilizzata;
2) effettuare rigorose inferenze statistiche su grandi database elaborati tramite algoritmi informatici;
3) produrre scenari previsionali per le variabili di interesse desunti dal database in analisi;
4) valutare gli impatti, sul sistema in esame, nel breve e nel lungo periodo di politiche standardizzate;
5) risolvere problemi di ottimizzazione vincolata lineare e non lineare relativi all'amministrazione aziendale e alla allocazione ottimale delle risorse;
CONOSCENZA E CAPACITÀ DI COMPRENSIONE:
Gli studenti apprenderanno le metodologie che il corso si propone di insegnare attraverso esercitazioni pratiche ed esempi con un approccio ispirato al "learning by doing" e al "trial and error".
Non sarà richiesta la memorizzazione di codici o procedure particolari, gli studenti dovranno sviluppare capacità autonome di problem solving che possano aiutarli nei processi decisionali supportati dall'analisi dei dati.
CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE:
Attraverso la conoscenza e la comprensione acquisite lo studente deve essere in grado di sviluppare abilità/capacità per:
1) capire che tipo di strumento informatico è necessario per l'analisi di un database a seconda dello stesso;
2) comprendere la struttura di un database, quali tipologie di errori possono essere presenti, come correggerli e/o valutarne l'impatto in base a specifiche esigenze;
3) pianificare autonomamente una strategia decisionale supportata dai dati;
AUTONOMIA DI GIUDIZIO:
Sviluppare riflessioni autonome su varie questioni relative alle strategie decisionali supportate dall'analisi dei dati. Avere la capacità di integrare diverse competenze e linguaggi di programmazione per gestire set di dati complessi e incompleti, nonché per prendere decisioni validate statisticamente sulla base di informazioni limitate o incomplete. L'approccio del corso cerca di collegare argomenti economici e commerciali all'analisi dei dati per promuovere le capacità di risoluzione di problemi. Lo studente deve quindi essere in grado di scegliere gli approcci e gli strumenti necessari al processo decisionale supportati dall'analisi dei dati con la capacità di raccogliere e interpretare i dati, nonché di utilizzare le fonti informative e i corretti applicativi informatici.
ABILITÀ COMUNICATIVE:
Gli studenti devono essere in grado di evidenziare il flusso di informazioni nella descrizione di un processo decisionale e apprendere, nello specifico, come utilizzare VBA, Excel e il suo risolutore.
CAPACITÀ DI APPRENDIMENTO:
- interpretare diversi tipi di basi di dati relativi a business, economia, società, innovazione, eventi storici e media.
- eseguire analisi statistiche di grandi basi di dati tramite Excel, VBA, python;
- tradurre un processo decisionale aziendale o politico in un problema di ottimizzazione vincolata ed essere in grado di implementare la corrispondente procedura risolutiva.
Learning Objectives
LEARNING OUTCOMES:
The course aims to provide the methodological computer skills (with the use of applications and programming languages such as Excel, VBA, python etc.) for the analysis of large-scale data from a range of sources, such as economic databases, historical events, text, social media, sensors, images or speech with the purpose of making decisions in a range of contexts, including economic policies, business administration, public administration, health, education, law, employment, transport and economic forecasts. Students will be able
1) to process and clean raw large databases (detection and correction of typos, missing entries, interpolation, misspecified data and so on);
1) to understand the structure of a processed database, its main features and for what purposes it can be used;
2) to make rigorous statistical inferences on large processed databases via computer algoritghms;
3) to produce forecast scenarios for the variables of interest derived from the database under analysis;
4) to assess the short and long run impacts of standardized policies on the system under study;
5) to solve linear and non-linear constrained optimization problems related to business administration;
KNOWLEDGE AND UNDERSTANDING:
Students will learn the methodologies that the course aims to teach through practical exercises and examples with an approach inspired by learning by doing and trial and error.
The memorization of codes or particular procedures will not be required, students will have to develop autonomous problem solving skills that can help them in decision making processes supported by data analytics.
APPLYING KNOWLEDGE AND UNDERSTANDING:
Through the knowledge and understanding acquired the student must be able to develop skills / abilities for:
1) understanding what type of IT tool is necessary for the analysis of a database according to the same;
2) understanding the structure of a database, what types of errors may be present, how to correct them and/or evaluate their impact based on specific needs;
3) planning autonomously a data-supported decision-making strategy;
MAKING JUDGEMENTS:
Develop autonomous reflections on various issues related to decision making strategies supported by data analytics. Have the ability to integrate different programming skills and languages to manage complex and incomplete dataset, as well as to make statistically validated decision based on limited or incomplete information. The course approach seeks to link economic and business topics to data analytics to promote attitude towards problem-solving. The student must therefore be able to choose the approaches and tools necessary for decison making supported by data analytics with the ability to collect and interpret data, as well as to use information sources.
COMMUNICATION SKILLS:
Students must be able to highlight the flow of information in the description of a decision making process and learn, specifically, how to use VBA, Excel and its solver.
LEARNING SKILLS:
- to interpret different types of large dataset related to business, economics, society, innovation, historical events and media.
- to peform statistical anayses of large dataset through Excel, VBA, python;
- to translate a business or political decision-making process into a constrained optimization problem and being able to implement the corresponding solution procedure.
Prerequisiti
Basi di statistica elementare (probabilità, probabilità condizionata, valori attesi, medie e varianze campionarie, distribuzioni di probabilità).
Serie geometriche.
Basi di ottimizzazione in una o più variabili.
Prerequisites
Fundamentals of elementary statistics (probability, conditional probability, expected values, sample means and variances, probability distributions).
Geometric series.
Fundamentals of optimization in one or more variables.
Programma
Introduzione ad Excel: funzioni principali ed utilizzo.
Creazione di tabelle Pivot.
Analisi statistica di basi di dati tramite tabelle Pivot.
Accenni di modellizzazione e valutazione finanziaria.
Introduzione al linguaggio VBA: creazione di routines, principali comandi e applicazioni per l'eleborazione di dati di basi.
Problemi decisionali in contesti di risorse scarse o vincolata: funzionamento generale di Execel solver e sue applicazioni a problemi decisionali.
Program
Introduction to Excel: main functions and use.
Creating Pivot Tables.
Statistical analysis of databases through Pivot tables.
Basics of modeling and financial evaluation.
Introduction to the VBA language: creation of routines, main commands and applications for processing databases.
Decision problems in contexts of scarce or constrained resources: general functioning of Excel solver and its applications to decision problems.
Testi Adottati
Microsoft Excel VBA and Macros (Office 2021 and Microsoft 365), Bill Jelen and Tracy Syrstad, Pearson Education (US), 2022.
Using Excel for Business and Financial Modelling: A Practical Guide.
Danielle Stein Fairhurst, John Wiley & Sons Inc, 2019.
Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Business Analytics. Cliff Ragsdale, South-Western College Pub, 2017.
Books
Microsoft Excel VBA and Macros (Office 2021 and Microsoft 365), Bill Jelen and Tracy Syrstad, Pearson Education (US), 2022.
Using Excel for Business and Financial Modelling: A Practical Guide.
Danielle Stein Fairhurst, John Wiley & Sons Inc, 2019.
Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Business Analytics. Cliff Ragsdale, South-Western College Pub, 2017.
Bibliografia
Microsoft Excel VBA and Macros (Office 2021 and Microsoft 365), Bill Jelen and Tracy Syrstad, Pearson Education (US), 2022.
Using Excel for Business and Financial Modelling: A Practical Guide.
Danielle Stein Fairhurst, John Wiley & Sons Inc, 2019.
Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Business Analytics. Cliff Ragsdale, South-Western College Pub, 2017.
Bibliography
Microsoft Excel VBA and Macros (Office 2021 and Microsoft 365), Bill Jelen and Tracy Syrstad, Pearson Education (US), 2022.
Using Excel for Business and Financial Modelling: A Practical Guide.
Danielle Stein Fairhurst, John Wiley & Sons Inc, 2019.
Spreadsheet Modeling & Decision Analysis: A Practical Introduction to Business Analytics. Cliff Ragsdale, South-Western College Pub, 2017.
Modalità di svolgimento
Le lezioni si svolgeranno in presenza. La didattica è di tipo frontale ed integrata con l'uso costante di applicativi informatici e della piattaforma moodle per esercitazioni e verifiche intermedie. I metodo didattico adottato si basa sull'apprendimento tramite esempi e problemi concreti.
Teaching methods
Lecture will take place face-to-face. The teaching is frontal and integrated with the constant use of computer applications and the moodle platform for exercises and intermediate checks. The teaching method adopted is based on learning through concrete examples and problems.
Regolamento Esame
L'esame consiste in una verifica tramite pc e sulla piattaforma moodle.
Le domande riguarderanno specifiche analisi che lo studente dovrà effettuare su basi di dati forniti al momento dell'esame.
L'esame sarà in formato di libro aperto e si potrà accedere a tutti codici e le routine discusse a lezione.
Gli studenti che rinunciano o non superano l'esame possono sostenere nuovamente l'esame nello stesso appello.
Exam Rules
The exam consists of a written test via pc and on the moodle platform.
The questions will concern specific analyses that the student will have to carry out on databases provided at the exam.
The exam will be in open book format and students will have access to all the codes and routines discussed in class.
Students who withdraw or fail the exam are allowed to take the exam again in the same exam session.