polito.it
Politecnico di Torino (logo)

Sistema di raccomandazione di corsi per la formazione del personale aziendale. = Course recommender systems for employee training.

Francesco Zicaro

Sistema di raccomandazione di corsi per la formazione del personale aziendale. = Course recommender systems for employee training.

Rel. Valentina Gatteschi, Christian Pedergnana. Politecnico di Torino, Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering), 2021

Abstract:

Uno dei temi principali su cui l'HRM (Human Resource Management) sta investendo molto è quello riguardante l'uso dei dati e delle tecnologie moderne al fine di migliorare le competenze e le performance dei dipendenti. Negli ultimi anni l'HR (Human Resource) sta entrando sempre di più nell'era dello "smart HR" che è profondamente influenzata dalle innovazioni tecnologiche come i big data, data mining, data analytics e intelligenza artificiale (AI). A tal proposito il continuous training è cruciale per quanto riguarda la creazione e il mantenimento dei giusti profili per la forza lavoro aziendale ed è un compito che senza l’ausilio di sistemi automatici si affida all’esperienza di chi gestisce le competenze dei dipendenti. In questo ambito, si inserisce il lavoro di tesi realizzato nell’azienda Skylab Italia Srl. L’obiettivo è stato quello di creare, sfruttando algoritmi e tecniche di machine learning (ML) note, un sistema in grado di raccomandare o suggerire ai dipendenti i corsi da seguire che più si addicono al loro status e background. I dati utilizzati su cui si basa il sistema, sono stati forniti da due aziende leader nei loro settori. Questi dati comprendono l’elenco dei dipendenti, il background, lo status aziendale e lo storico dei corsi seguiti oltre ad alcune informazioni di dettaglio. Ai suddetti dati sono state applicate tecniche di data mining per rimuovere eventuali dati inconsistenti o mancanti così da arrivare alla definizione di un input valido per gli algoritmi di machine learning. In particolare, per la creazione del recommender system, sono state adottate varie soluzioni (Clustering e generazione di regola associative, Matrix factorization) che si basano su assunzioni e tecniche diverse. Il lavoro di tesi si conclude con quella che è la fase di valutazione delle performance, che sono risultate essere molto soddisfacenti in base a metriche standard di valutazione degli algoritmi usati.

Relatori: Valentina Gatteschi, Christian Pedergnana
Anno accademico: 2021/22
Tipo di pubblicazione: Elettronica
Numero di pagine: 86
Informazioni aggiuntive: Tesi secretata. Fulltext non presente
Soggetti:
Corso di laurea: Corso di laurea magistrale in Ingegneria Informatica (Computer Engineering)
Classe di laurea: Nuovo ordinamento > Laurea magistrale > LM-32 - INGEGNERIA INFORMATICA
Aziende collaboratrici: Skylab Italia Srl
URI: http://webthesis.biblio.polito.it/id/eprint/21214
Modifica (riservato agli operatori) Modifica (riservato agli operatori)